論文の概要: InfoGatherer: Principled Information Seeking via Evidence Retrieval and Strategic Questioning

• arxiv url: http://arxiv.org/abs/2603.05909v1
• Date: Fri, 06 Mar 2026 04:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.09449
• Title: InfoGatherer: Principled Information Seeking via Evidence Retrieval and Strategic Questioning
• Title（参考訳）: InfoGatherer:エビデンス検索と戦略的質問による原則情報検索
• Authors: Maksym Taranukhin, Shuyue Stella Li, Evangelos Milios, Geoff Pleiss, Yulia Tsvetkov, Vered Shwartz,
• Abstract要約: InfoGathererは、2つの補完的なソースから行方不明の情報を収集するフレームワークである。 InfoGathererは、法的および医療的タスクのターンを減らしながら、強力なベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 50.375547542738055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs are increasingly deployed in high-stakes domains such as medical triage and legal assistance, often as document-grounded QA systems in which a user provides a description, relevant sources are retrieved, and an LLM generates a prediction. In practice, initial user queries are often underspecified, and a single retrieval pass is insufficient for reliable decision-making, leading to incorrect and overly confident answers. While follow-up questioning can elicit missing information, existing methods typically depend on implicit, unstructured confidence signals from the LLM, making it difficult to determine what remains unknown, what information matters most, and when to stop asking questions. We propose InfoGatherer, a framework that gathers missing information from two complementary sources: retrieved domain documents and targeted follow-up questions to the user. InfoGatherer models uncertainty using Dempster-Shafer belief assignments over a structured evidential network, enabling principled fusion of incomplete and potentially contradictory evidence from both sources without prematurely collapsing to a definitive answer. Across legal and medical tasks, InfoGatherer outperforms strong baselines while requiring fewer turns. By grounding uncertainty in formal evidential theory rather than heuristic LLM signals, InfoGatherer moves towards trustworthy, interpretable decision support in domains where reliability is critical.
• Abstract（参考訳）: LLMは、医用トリアージや法的支援などの高度な領域に、ユーザが記述を提供し、関連するソースを検索し、LLMが予測を生成する文書ベースのQAシステムとして、ますます多くデプロイされている。 実際には、初期ユーザクエリはしばしば不特定であり、信頼できる意思決定には単一の検索パスが不十分であり、誤った、過度に自信の持たない回答をもたらす。 フォローアップ質問は、欠落した情報を引き出すことができるが、既存の手法は通常、LLMからの暗黙的、非構造化された信頼信号に依存し、何が未知なのか、何が最も重要か、いつ質問を止めるかを決定するのが困難である。 提案するInfoGathererは,検索されたドメイン文書とユーザを対象としたフォローアップ質問という,相補的な2つの情報源から欠落情報を収集するフレームワークである。 InfoGatherer は、構造化された明らかなネットワーク上の Dempster-Shafer の信念の割り当てを使って不確実性をモデル化し、決定的な答えに早めに崩壊することなく、両方の情報源から不完全で潜在的に矛盾する証拠を原則的に融合させることを可能にする。 法律や医療の分野では、InfoGathererはターンを減らしながら、強いベースラインを上回ります。 情報ガザラーは、ヒューリスティックなLLM信号ではなく、形式的明細理論における不確実性を基礎として、信頼性が重要である領域における信頼に値する、解釈可能な意思決定支援に向かっている。

関連論文リスト

• Can Multiple Responses from an LLM Reveal the Sources of Its Uncertainty? [11.309445539128733]
  大規模言語モデル(LLM)は、さまざまな領域で大きなブレークスルーをもたらしたが、信頼できない、あるいは誤解を招くアウトプットを生成することができる。 LLMが不確実である場合、その多重応答間の不一致パターンには、不確実性の根本原因に関する深い手がかりが含まれていることが示される。
  論文  参考訳（メタデータ） (2025-08-28T20:14:35Z)
• Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
  大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。 実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。 RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T16:46:11Z)
• Accommodate Knowledge Conflicts in Retrieval-augmented LLMs: Towards Reliable Response Generation in the Wild [11.058848731627233]
  大規模言語モデル (LLM) には高度な情報検索システムがある。 LLMは、しばしば内部記憶と検索された外部情報の間の知識の衝突に直面している。 スウィンVIBは,変分情報ボトルネックモデルのパイプラインを,検索した情報の適応的拡張に統合する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-04-17T14:40:31Z)
• Understanding the Relationship between Prompts and Response Uncertainty in Large Language Models [55.332004960574004]
  大規模言語モデル(LLM)は意思決定に広く使用されているが、特に医療などの重要なタスクにおける信頼性は十分に確立されていない。 本稿では,LSMが生成する応答の不確実性が,入力プロンプトで提供される情報とどのように関連しているかを検討する。 本稿では,LLMが応答を生成する方法を説明し,プロンプトと応答の不確実性の関係を理解するためのプロンプト応答の概念モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-20T11:19:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。